我国果园多位于山坡、丘陵等地,水源不足、供水困难且土壤贫瘠,多采用传统灌溉与施肥方式,造成灌溉水分利用率低及化肥滥用等问题;果树的水肥需求在不同生长发育阶段差异明显。为实现果树不同物候期的适时适量灌溉施肥,本文构建了基于物候期识别的果园智能灌溉系统。首先,为实现果树物候期快速有效识别,以苹果物候期数据集为样本,提出了一种基于改进YOLOv5的轻量化物候期识别方法;其次,为了提高物候期识别模型对不同品种果园的泛化能力与模型精度,通过桃树物候期数据集作为试验样本进行训练,以上述苹果物候期识别模型为起点,采用迁移学习训练策略,实现了对小样本果树物候期的有效识别;最后,将果树物候期识别方法与灌溉系统相融合,构建了基于物候期识别的果园智能灌溉系统。系统根据苹果物候期识别结果、对应种植策略和果园环境状况等信息进行水肥决策并实现自动灌溉和精准施肥。本文的主要研究内容如下:（1）基于YOLOv5的苹果轻量化物候期识别方法针对果园环境复杂、检测目标小与边缘计算平台性能有限等实际挑战,提出了一种基于改进YOLOv5模型的轻量化苹果物候期识别方法。首先以改进ShuffleNet V2为基础搭建特征提取网络减少模型体积,结合协同注意力机制提高特征提取能力,并增加小目标检测层提高小目标的检测能力。试验结果表明,改进之后的模型在仅损失0.7%mAP的情况下,计算复杂度仅有原来的16.5%,平均识别时间减少了57.2%。物候期识别平均准确率为97.4%,可实现苹果物候期的快速有效识别。（2）基于迁移学习的小样本果树物候期识别方法我国种植果树种类、品种多样且外观与纹理特征存在相似性,针对物候期数据集采集周期长及数据量小等实际问题。提出了基于迁移学习的小样本果树物候期识别方法。通过网络采集的桃树物候期数据集作为试验样本,以上述苹果物候期识别模型为起点,使用迁移学习方法训练模型,实现了对小样本果树物候期的有效识别。试验结果表明,迁移学习模型较原模型平均准确率均值提升了5.7%,且模型收敛速度显著提升。（3）果园智能灌溉系统的设计与实现为实现果园的自动灌溉和精准施肥,设计了一种果园智能灌溉系统,该系统主要包括采集模块、边缘计算模块、服务器模块和灌溉执行模块四个部分组成。首先,系统根据果树物候期识别结果、相应种植策略及果园环境状况等信息进行水肥决策并实现自动灌溉。果园智能灌溉系统可在苹果不同生长阶段按需自动灌溉与精准施肥。试验结果表明,果园智能灌溉系统可依据决策信息与土壤含水率自动灌溉。